[发明专利]基于特征筛选的锂电池寿命预测方法

权利要求书

1.一种基于特征筛选的锂电池寿命预测方法，其特征在于，包括以下步骤：

步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；

步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m＞20；

步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；

步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；

步骤S5，将所述训练的模型的稀疏特征权重进行可视化；

步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测；

步骤S2中，SOC的维度为500～1000；

步骤S3中，特征维度为训练集中k个训练样本的方差特征和寿命分别表示为X_train＝[x₁，x₂，...，x_k]，Y_train＝[y₁，y₂，...，y_k]，其中第i个训练样本的特征x_i表示为：

x_i＝[x_i1，x_i2，...，x_iM]^T；

步骤S4包括：

步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布f(x)，其中第i个样本的寿命分布表示为：

其中x_i和x_j是任意两个锂电池样本，m(x_i)是均值函数，k(x_i，x_j)是协方差函数，具体表示为：

m(x_i)＝E(f(x_i))

k(x_i，x_j)＝E[(m(x_i)-f(x_i))(m(x_j)-f(x_j))]

步骤SS4.2，设置m(x_i)为0，k(x_i，x_j)选用Matérn(v＝5/2)核函数，带有ARD功能的Matérn核函数具体表示为：

其中l_p为第p个特征的长度表示，σ_c是一个超参数；

步骤S4.3，对于真实的应用场景，真实的寿命y_i是预测寿命与高斯噪声ε_i的和：

即所有样本服从：

其中K(X_train，X_train)＝k(x_i，x_j)_k×k，I_N为单位矩阵，经过训练与极大似然估计，得到参数[σ_c，l_p，σ_n]值；

步骤S5包括：

步骤S5.1，特征权重计算公式如下：

步骤5.2，将所有特征权重进行最大最小归一化；

步骤S6包括：

步骤S6.1，得到训练样本和测试样本的联合分布：

其中Y^*为测试集中测试样本的寿命，X^*为测试样本的特征；

步骤S6.2，测试样本的寿命Y^*的后验分布：

其中是预测的测试样本的寿命的均值；

是预测的协方差：